Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models

यहाँ शोध पत्र "Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

भौतिकी-आधारित हाइड्रोडायनामिक मॉडल (जैसे MIKE 21, ADCIRC) तटीय प्रबंधन, बाढ़ पूर्वानुमान और जलवायु प्रभाव अध्ययनों के लिए आवश्यक हैं। हालाँकि, ये मॉडल उच्च-रिज़ॉल्यूशन वाले अनस्ट्रक्चर्ड मेश (unstructured meshes) पर उथले जल समीकरणों (shallow-water equations) को हल करते हैं, जिसमें छोटे टाइम स्टेप्स की आवश्यकता होती है, जिससे ये अत्यधिक गणनात्मक रूप से महंगे (computationally expensive) हो जाते हैं। यह उनकी निम्नलिखित अनुप्रयोगों के लिए सीमाएँ निर्धारित करता है:

• दीर्घकालिक जलवायु सिमुलेशन (वर्षों से दशकों तक)।
• एन्सेम्बल फोरकास्टिंग (अनिश्चितता निर्धारण के लिए सैकड़ों परिदृश्यों को चलाना)।
• वास्तविक समय आपातकालीन प्रतिक्रिया जिसके लिए तीव्र पुनरावृत्ति (rapid iteration) की आवश्यकता होती है।

जबकि मशीन लर्निंग (ML) सरोगेट्स ने आशाजनक परिणाम दिखाए हैं, मौजूदा पद्धतियाँ अक्सर निम्नलिखित में संघर्ष करती हैं:

• दीर्घ-अवधि स्थिरता (Long-horizon stability): त्रुटियाँ समय के साथ संचित होती हैं, जिससे विचलन (drift) होता है।
• बाहरी बल (External forcing): अधिकांश कोपमान-आधारित (Koopman-based) दृष्टिकोण स्वायत्त प्रणालियों (autonomous systems) को मानते हैं, जबकि तटीय गतिशीलता समय-परिवर्तनीय मौसम संबंधी बलों (हवा, दबाव) और सीमा स्थितियों द्वारा संचालित होती है।
• सामान्यीकरण (Generalizability): प्रदर्शन अक्सर विशिष्ट गतिशील व्यवस्थाओं (dynamical regimes) वाले जटिल, वास्तविक दुनिया के डोमेन में लागू होने पर खराब हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक रिड्यूस्ड-ऑर्डर सरोगेट्स (ROS) का प्रस्ताव करते हैं और मूल्यांकन करते हैं जो भौतिकी-आधारित मॉडल के फ्लोमैप (flowmap) का सन्निकटन (approximate) करते हैं। मुख्य कार्यप्रणाली में दो मुख्य दृष्टिकोण शामिल हैं जिनका व्यवस्थित रूप से तुलना की गई है:

A. मॉडल आर्किटेक्चर (Model Architectures)

1. कोप्मन ऑटोएनकोडर (Koopman Autoencoder - KAE):

   • अवधारणा: भौतिक अवस्था स्थान (physical state space) से एक लेटेंट स्पेस (latent space) में रूपांतरण (encoder) सीखता है जहाँ गतिकी रैखिक (linear) होती है (कोपमन ऑपरेटर द्वारा नियंत्रित)।
   • फोर्स्ड सिस्टम (Forced Systems): बाहरी बलों (हवा, दबाव, सीमा स्थितियाँ) को स्पष्ट रूप से लेटेंट डायनेमिक्स में शामिल करता है। एनकोडर समय $k$ और $k+1$ पर दोनों अवस्था ($x$) और बल ($u$) को प्रोसेस करता है।
   • रैखिक प्रगामी (Linear Propagator): लेटेंट स्पेस में अवस्था को आगे बढ़ाने के लिए एक सीखे गए रैखिक मैट्रिक्स $K_f$ का उपयोग करता है।
   • स्थिरता: यह सुनिश्चित करने के लिए कि रैखिक ऑपरेटर स्पर्शोन्मुखी रूप से स्थिर (asymptotically stable) है (आइजनवैल्यू यूनिट सर्कल के भीतर हैं), आइजनवैल्यू रेगुलाइजेशन (eigenvalue regularization) की अनुमति देता है।

2. प्रॉपर ऑर्थोगोनल डिकंपोजिशन (Proper Orthogonal Decomposition - POD) सरोगेट्स:

   • अवधारणा: प्रमुख स्थानिक मोड (spatial modes) निकालने के लिए POD (PCA) का उपयोग करता है, जिससे अवस्था की विमा (dimensionality) कम हो जाती है।
   • अस्थायी प्रसार (Temporal Propagation): विभिन्न रिग्रेसर्स का उपयोग करके कम किए गए लेटेंट अवस्थाओं को प्रसारित किया जाता है:
     • लीनियर रिग्रेशन (LR)
     • मल्टी-लेयर पर्सेप्ट्रॉन (MLP)
     • गेटेड रिकरेंट यूनिट (GRU)
   • प्रशिक्षण: आमतौर पर दो चरणों वाली प्रक्रिया में शामिल है (आधार का पुनर्निर्माण, फिर रिग्रेसर का प्रशिक्षण), हालांकि लेखक रैखिक रिग्रेसर्स के लिए एंड-टू-एंड प्रशिक्षण भी तलाशते हैं।

B. स्थिरता के लिए प्रशिक्षण रणनीतियाँ (Training Strategies for Stability)

दीर्घकालिक भविष्यवाणियों में त्रुटि संचय को संबोधित करने के लिए, लेखक दो विशिष्ट रणनीतियों को लागू करते हैं:

1. आइजनवैल्यू रेगुलाइजेशन (Eigenvalue Regularization): एक लॉस टर्म जोड़ा जाता है जो सिस्टम मैट्रिक्स के किसी भी आइजनवैल्यू को 1 के परिमाण से अधिक होने पर दंडित करता है। यह लेटेंट डायनेमिक्स में स्थिरता को लागू करता है, जिससे त्रुटियों की घातांकीय वृद्धि (exponential growth) को रोका जा सकता है।
2. टेम्पोरल अनरोलिंग (Temporal Unrolling): केवल एक-चरण भविष्यवाणियों पर प्रशिक्षित होने के बजाय, मॉडल को कई चरणों ($N_{TU}$) पर अनरोल्ड टेम्पोरल प्रोगेटर के माध्यम से प्रशिक्षित किया जाता है। लॉस पूरी अनरोल्ड ट्रैजेक्टरी पर कंप्यूट किया जाता है, जो मॉडल को समय के साथ त्रुटि संचय को न्यूनतम करने के लिए मजबूर करता है।

C. वेरिएबल-सेपरेटेड आर्किटेक्चर (Variable-Separated Architecture)

यह पहचानते हुए कि सतह की ऊँचाई ($S$) और धारा वेग ($U, V$) के अलग-अलग स्मूथनेस गुण होते हैं, लेखक सेपरेटेड ऑटोएनकोडर के साथ प्रयोग करते हैं। यह विभिन्न चरों के लिए अलग-अलग एनकोडिंग रणनीतियों (जैसे, चिकने $S$ के लिए कम मोड और अशांत $U/V$ के लिए अधिक मोड का उपयोग करना) की अनुमति देता है, जिससे पुनर्निर्माण दक्षता में सुधार होता है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

मॉडलों का मूल्यांकन MIKE 21 Flow Model FM द्वारा उत्पन्न डेटा का उपयोग करके तीन अलग-अलग वास्तविक दुनिया के तटीय डोमेन पर किया गया:

1. Øresund (डेनमार्क/स्वीडन): छोटा डोमेन, कम ज्वारीय सीमा, हवा/दबाव सर्ज (surges) द्वारा प्रधान।
2. दक्षिणी उत्तरी सागर (Southern North Sea): बड़ा शेल्फ सी, मजबूत अर्ध-दैनिक ज्वार (semi-diurnal tides), जटिल बाथमेट्री।
3. एड्रियाटिक सागर (Adriatic Sea): अर्ध-बंद बेसिन, मजबूत हवा-चालित परिसंचरण (Bora/Sirocco), रेजोनेंट सेइचिंग (Venice में बाढ़)। नोट: यहाँ मौसम संबंधी गतिकी को अलग करने के लिए ज्वारीय बल को हटा दिया गया था।

मेट्रिक्स:

• सटीकता (Accuracy): $R^2$, रूट मीन स्क्वेर्ड एरर (RMSE), और रिलेटिव RMSE (स्थानीय परिवर्तनशीलता द्वारा सामान्यीकृत)।
• वैलिडेशन: भौतिकी-आधारित मॉडल (MIKE 21) और इन-सीटू अवलोकन संबंधी डेटा दोनों के विरुद्ध तुलना।
• गति (Speed): इन्फरेंस समय की तुलना।

4. मुख्य परिणाम (Key Results)

सटीकता और प्रदर्शन

• कुल कौशल (Overall Skill): सभी रिड्यूस्ड-ऑर्डर सरोगेट्स, जिन्होंने टेम्पोरल अनरोलिंग का उपयोग किया, उच्च सटीकता प्राप्त करते हैं। रिलेटिव RMSE 0.0068 से 0.14 के बीच रहा, और $R^2$ मान 0.61 से 0.995 के बीच रहे।
• चर प्रदर्शन (Variable Performance): सतह की ऊँचाई के भविष्यवाणियाँ अत्यधिक सटीक थीं ($R^2 > 0.95$), जबकि धारा वेग थोड़े कम सटीक थे ($R^2$ जटिल एड्रियाटिक मामले में 0.61 तक गिर गया)।
• KAE बनाम POD:
  • कोप्मन ऑटोएनकोडर (KAE) ने Øresund और दक्षिणी उत्तरी सागर के मामलों में, विशेष रूप से त्रुटि वितरण के ऊपरी प्रतिशतक में, POD-आधारित सरोगेट्स की तुलना में बेहतर प्रदर्शन किया।
  • जटिल एड्रियाटिक मामले में, टेम्पोरल अनरोलिंग के साथ एक POD-आधारित मॉडल (PODLRt) KAE से थोड़ा बेहतर प्रदर्शन करता है, जो संभवतः सीमित प्रशिक्षण डेटा के साथ रेजोनेंट डायनेमिक्स को सीखने की कठिनाई के कारण है।
• रणनीतियों का प्रभाव:
  • टेम्पोरल अनरोलिंग: स्थिरता के लिए महत्वपूर्ण है। इसने सटीकता में एक क्रम (order of magnitude) का सुधार किया (उदाहरण के लिए, दक्षिणी उत्तरी सागर की सतह की ऊँचाई के लिए रिलेटिव RMSE को 0.13 से घटाकर 0.016 कर दिया)।
  • आइजनवैल्यू रेगुलाइजेशन: KAE की स्थिरता में काफी सुधार करता है, जिससे एड्रियाटिक मामले में सतह की ऊँचाई का RMSE 0.307 से घटकर 0.07 हो गया।

अवलोकनों के साथ तुलना

वास्तविक माप के विरुद्ध मान्य करते समय:

• सरोगेट्स ने भौतिकी-आधारित MIKE 21 मॉडल की तुलना में भविष्यवाणी त्रुटि (RMSE) को -0.64% से 12% तक बढ़ा दिया।
• Øresund मामले में, सरोगेट ने वास्तव में सटीकता में सुधार किया (-0.64% त्रुटि वृद्धि), जो यह सुझाव देता है कि यह भौतिक मॉडल में मौजूद संख्यात्मक शोर (numerical noise) को फ़िल्टर कर सकता है।
• अधिकतम त्रुटि वृद्धि (12%) कुछ सेंटीमीटर के बराबर थी, जो कई परिचालन अनुप्रयोगों के लिए स्वीकार्य है।

कम्प्यूटेशनल दक्षता (Computational Efficiency)

• स्पीड-अप: सरोगेट्स ने भौतिकी-आधारित मॉडल की तुलना में 300x से 1400x स्पीड-अप प्राप्त किया।
  • उदाहरण: एड्रियाटिक मामले में, एक 1-वर्षीय सिमुलेशन को लैपटॉप CPU पर सरोगेट के लिए लगभग 12 सेकंड लगे, जबकि MIKE 21 के लिए GPU पर लगभग 16,800 सेकंड (~4.6 घंटे) लगे।
• प्रशिक्षण बनाम इन्फरेंस: POD मॉडल्स की ऑफलाइन ट्रेनिंग लागत बहुत कम होती है। KAEs के लिए अधिक महंगी इटरेटिव ट्रेनिंग की आवश्यकता होती है, लेकिन वे बेहतर दीर्घकालिक स्थिरता और सटीकता प्रदान करते हैं।

5. मुख्य योगदान (Key Contributions)

1. फोर्स्ड सिस्टम फॉर्मूलेशन: कोप्मन ऑटोएनकोर्स को समय-परिवर्तनीय बाहरी बलों (हवा, दबाव, सीमाएं) को संभालने के लिए सफलतापूर्वक विस्तारित किया, जो पिछले हाइड्रोडायनामिक सरोगेट साहित्य में एक अंतराल था।
2. व्यवस्थित तुलना: तीन अलग-अलग गतिशील व्यवस्थाओं में KAE और POD-आधारित सरोगेट्स के बीच एक कठोर बेंचमार्क प्रदान किया।
3. स्थिरता तंत्र: यह प्रदर्शित किया कि आइजनवैल्यू रेगुलाइजेशन और टेम्पोरल अनरोलिंग को मिलाना तटीय महासागर मॉडलों में स्थिर, दीर्घ-क्षितिज भविष्यवाणियों (एक वर्ष तक) को प्राप्त करने के लिए आवश्यक है।
4. परिचालन व्यवहार्यता (Operational Viability): सिद्ध किया कि रिड्यूस्ड-ऑर्डर सरोगेट्स भौतिक मॉडल के करीब की सटीकता बनाए रखते हुए उन वर्कफ़्लो को सक्षम कर सकते हैं जो वर्तमान में कम्प्यूटेशनल रूप से अव्यावहारिक हैं।

6. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य सैद्धांतिक कोप्मन ऑपरेटर लर्निंग और व्यावहारिक तटीय इंजीनियरिंग के बीच के अंतर को पाटता है। निष्कर्ष बताते हैं कि टेम्पोरल अनरोलिंग के साथ कोप्मन ऑटोएनकोडर, पारंपरिक POD विधियों के लिए एक मजबूत विकल्प हैं, जो जटिल परिदृश्यों में बेहतर स्थिरता और थोड़ी अधिक सटीकता प्रदान करते हैं।

कुछ सेकंड में 1-वर्षीय सिमुलेशन चलाने की क्षमता, जो अवलोकनों के सापेक्ष सेंटीमीटर-स्तर की सटीकता बनाए रखती है, यह दर्शाती है कि ये सरोगेट्स निम्नलिखित के लिए तैनाती के लिए तैयार हैं:

• तूफान के उछाल (storm surge) की भविष्यवाणी के लिए एन्सेम्बल फोरकास्टिंग।
• तटीय बुनियादी ढांचे पर दीर्घकालिक जलवायु परिवर्तन प्रभाव आकलन।
• बाढ़ प्रबंधन के लिए वास्तविक समय निर्णय सहायता प्रणाली।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि गति के लिए कुछ सटीकता का समझौता किया जाता है, फिर भी त्रुटि मार्जिन अधिकांश व्यावहारिक अनुप्रयोगों के लिए नगण्य है, जो इन रिड्यूस्ड-ऑर्डर मॉडलों को परिचालन समुद्र विज्ञान (operational oceanography) के भविष्य के लिए एक शक्तिशाली उपकरण बनाता है।